CN107606730B - 用于确定对数据中心制冷的冷水机组的方法和装置 - Google Patents

Abstract

本申请公开了用于确定对数据中心制冷的冷水机组的方法和装置。方法的一具体实施方式包括：获取数据中心的各台冷水机组的当前的出水参数、入水参数、水流量参数以及室外温度参数，对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台冷水机组的特征参数；将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组。从而可以根据数据中心的预设的冷负荷以及各台冷水机组的当前电功率来确定对数据中心制冷的冷水机组，从而可以在保证满足数据中心冷负荷的前提下，降低数据中心的能耗。

Description

用于确定对数据中心制冷的冷水机组的方法和装置

技术领域

本申请涉及工业控制技术领域，具体涉及温度控制领域，尤其涉及一种用于确定对数据中心制冷的冷水机组的方法和装置。

背景技术

随着互联网的发展，为互联网提供服务的数据中心数量也在逐年递增。由此引发的数据中心的能耗问题也日益突出。在传统数据中心中，冷水机组能耗占数据中心总能耗的比例在40％左右。因此，如何降低冷水机组的能耗已成为数据中心基础设施节能减排的关键。

目前，数据中心运维人员根据机房冷负荷需求可以依照冷水机组开启的先后顺序来依次关闭部分冷水机组以降低能耗。

但是在这种调控方式中，由于数据中心人员无法获取冷水机组的效率数据，对于每一台冷机组只能按照该冷水机组运行时间长短来决定是否关闭/启动该冷水机组。这样就会导致耗电量大的冷水机组持续运行的现象，故而就会造成能量的浪费。

发明内容

本申请的目的在于提出一种用于确定对数据中心制冷的冷水机组的方法和装置，来解决以上背景技术部分提到的技术问题。

第一方面，本申请提供了一种用于确定对数据中心制冷的冷水机组的方法，方法包括：获取数据中心的各台冷水机组的当前的出水参数、入水参数、水流量参数以及室外温度参数，其中，出水参数包括：冷却水出水温度参数、冷冻水出水温度参数；进水参数包括冷却水进水温度参数、冷冻水进水温度参数；水流量参数包括冷却水流量参数和冷冻水流量参数；对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台冷水机组的特征参数；将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组。

在一些实施例中，对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台冷水机组的特征参数，包括：对于任意一台冷水机组，对该台冷水机组的冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别赋予对应预设权值；从赋权值后的各参数中选取该台冷水机组的特征参数。

在一些实施例中，基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组，包括：根据预设的冷负荷以及冷水机组的额定制冷量按照如下公式确定对数据中心制冷的冷水机组的台数N：N＝int(Q/W)+1；其中，int为向下取整运算符，Q为数据中心的预设冷负荷；W为冷水机组的额定制冷量；按照当前电功率从小到大的顺序选取N台冷水机组对数据中心制冷。

在一些实施例中，在将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率之前，方法还包括：使用预知电功率的多台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数对机器学习模型进行训练。

在一些实施例中，机器学习模型为卷积神经网络模型。

第二方面，本申请提供了一种用于确定对数据中心制冷的冷水机组的装置，装置包括：获取单元，配置用于获取数据中心的各台冷水机组当前的出水参数、入水参数、水流量参数以及室外温度参数，其中，出水参数包括：冷却水出水温度参数、冷冻水出水温度参数；进水参数包括冷却水进水温度参数、冷冻水进水温度参数；水流量参数包括冷却水流量参数和冷冻水流量参数；预处理单元，配置用于对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台冷水机组的特征参数；导入单元，配置用于将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；确定单元，配置用于基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组。

在一些实施例中，预处理单元进一步配置用于：对于任意一台冷水机组，对该台冷水机组的冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别赋予对应预设权值；从赋权值后的各参数中选取该台冷水机组的特征参数。

在一些实施例中，确定单元进一步配置用于：根据预设的冷负荷以及冷水机组的额定制冷量按照如下公式确定对数据中心制冷的冷水机组的台数N：N＝int(Q/W)+1；其中，int为向下取整运算符，Q为数据中心的预设冷负荷；W为冷水机组的额定制冷量；按照当前电功率从小到大的顺序选取N台冷水机组对数据中心制冷。

在一些实施例中，装置还包括训练单元，训练单元配置用于在将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率之前，使用预知电功率的多台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数对机器学习模型进行训练。

在一些实施例中，机器学习模型为卷积神经网络模型。

第三方面，本申请提供了一种电子设备，包括一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一方面的用于确定对数据中心制冷的冷水机组的方法。

第四方面，本申请提高了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的用于确定对数据中心制冷的冷水机组的方法。

本申请提供的用于确定对数据中心制冷的冷水机组的方法和装置，通过首先获取数据中心的各台冷水机组的当前的出水参数、入水参数、水流量参数以及室外温度参数，然后对所述出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台所述冷水机组的特征参数；接着将各台所述冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；最后基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对所述数据中心制冷的冷水机组。这样可以根据数据中心的预设的冷负荷以及各台冷水机组的当前电功率的大小来确定对数据中心制冷的冷水机组，从而可以在保证满足数据中心冷负荷的前提下，降低数据中心的能耗。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：

图1是本申请可以应用于其中的示例性系统架构图；

图2是根据本申请的用于确定对数据中心制冷的冷水机组的方法的一个实施例的流程图；

图3是根据本申请的用于确定对数据中心制冷的冷水机组的方法的一个应用场景的示意图；

图4是根据本申请的用于确定对数据中心制冷的冷水机组的装置的一个实施例的结构示意图；

图5是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

图1示出了可以应用本申请的用于确定对数据中心制冷的冷水机组的方法或用于确定对数据中心制冷的冷水机组的装置的示例性系统架构100。

如图1所示，系统架构100可以包括第一服务器101，第二服务器102、冷水机组103、104、105和网络106和网络107。网络106用以在第一服务器101和第二服务器102之间提供通信链路的介质。网络107用以在第二服务器101和冷水机组103、104、105之间提供通信链路的介质。网络106、网络107分别可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

第一服务器101可以通过网络106与第二服务器102进行交互，以接收或发送消息等。第二服务器102可以通过网络107与冷水机组103、104、105进行交互以接收或发送消息等。

第一服务器101可以是提供各种服务的服务器，例如从第二服务器102获取各冷水机组103、104、105的出水参数、入水参数、水流量参数以及室外温度参数，对上述各参数进行分析处理的后台服务器。上述第一服务器101可以将对上述各参数分析处理的结果通过网络106发送给第二服务器102。

第二服务器102可以是提供各种服务的服务器，例如可以通过网络107接收传感器采集的冷水机组103、104、105的出水参数、入水参数、水流量参数以及室外温度参数的服务器。第二服务器102还可根据第一服务器101的处理结果通过网络107向冷水机组103、104、105发送启动/关闭的指令。

冷水机组103、104、105提供冷源的各种冷水机组。冷水机组103、104、105可以包括冷冻水管、冷却水管，以及冷冻水进水口、冷冻水出水口、冷却水进水口以及冷却水出水口。可以预先在冷水机组103、104、105的冷冻水进水口、冷冻水出水口、冷却水进水口以及冷却水出水口分别设置温度传感器，上述温度传感器可以将实时探测到的冷冻水进水口的冷冻水进水温度、冷冻水出水口的冷冻水出水温度、冷却水进水口的冷却水出水温度以及冷却水出水口的冷却水出水温度分别通过网络107发送给第二服务器102。

值得指出的是，第一服务器101和第二服务器102还可以为同一台服务器。在该台服务器上可以实现第一服务器101和第二服务器102可以实现的功能。

需要说明的是，本申请实施例所提供的用于确定对数据中心制冷的冷水机组的方法一般由第一服务器101执行，相应地，用于确定对数据中心制冷的冷水机组的装置一般设置于第一服务器101中。

应该理解，图1中的第一服务器、第二服务器、冷水机组、网络的数目仅仅是示意性的。根据实现需要，可以具有任意数目的第一服务器、第二服务器、冷水机组、网络。

请继续参考图2，其示出了出了根据本申请的用于确定对数据中心制冷的冷水机组的方法的一个实施例的流程200。该用于确定对数据中心制冷的冷水机组的方法，包括以下步骤：

步骤201，获取数据中心的各台冷水机组当前的出水参数、入水参数、水流量参数以及室外温度参数。

在本实施例中，用于确定对数据中心制冷的冷水机组的方法运行于其上的电子设备(例如图1所示的第一服务器101)可以通过有线连接方式或者无线连接方式从第二服务器(例如图1所示的第二服务器102)中获取的各台冷水机组的相关参数以及室外温度参数。其中冷水机组的相关参数包括冷水机组的当前的出水参数、入水参数、水流量参数等。此外，上述电子设备还可以从第二服务器中获取各台冷水机组运行的时间。

其中，上述出水参数可以包括冷却水出水温度参数、冷冻水出水温度参数；上述进水参数包括冷却水进水温度参数、冷冻水进水温度参数；水流量参数包括冷却水流量参数和冷冻水流量参数。

上述第二服务器可以是在数据中心预先设置的对数据中心的动力环境系统进行监控的服务器。具体地，第二服务器可以通过接收预先设置在各台冷水机组中的传感器发送的采集到的各台冷水机组的出水参数数据、入水参数数据、水流量参数数据等来对数据中心的动力环境进行监控。

在本实施例的一些可选实现方式中，上述室外温度参数例如可以为室外湿球温度参数。

在本实施例的一些可选实现方式中，上述电子设备可以是图1中的第二服务器。

步骤202，对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台所述冷水机组的特征参数。

在本实施例中，上述电子设备可以对由步骤201中获取的各台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数进行预处理。

在本实施例中，上述预处理的过程可以包括如下步骤：

首先，对各台冷机机组的出水参数、入水参数、水流量参数以及室外温度参数等进行数据筛选。具体地，在上述电子设备可以对所获取的各台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数进行错误数据筛查，剔除错误数据。这样一来，可以避免错误数据引起的分析结果的偏差。

其次，对于冷水机组的任意一个参数，生成与该参数对应的当前时段内等时间间隔排列的数据序列。在本实施例中，对于上述冷水机组的任意一个参数，在第二服务器中可以只保存与前一时刻相比数值发生变化的数据，以及数值发生变化的时间点。上述电子设备在当前时段内，可以对从第二服务器上获取到的各个参数按照等间隔时间点赋值。对于任意一个参数，上述按照等间隔时间点赋值的原则是查找从第二服务器上获取的当前时段内的该参数的有数值的任意相邻的第一时间点和第二两个时间点及其对应的数值，其中，第一时间点早于第二时间点；该两个时间点之间的各时间点对应的该参数的数值等于第一时间点对应的该参数的数值。这样一来，对于每一个上述参数，上述电子设备可以得到当前时段内的每一台冷水机组的对应一个等时间间隔排列的数据序列。

最后，对于任意一台冷水机组，对该台冷水机组的各个参数可以使用过滤(Filter)的方法进行噪点剔除，从而在各个参数中选取特征参数。上述过滤的方法例如可以为方差过滤法，分别计算各参数对应的数据序列的方差，选择方差大于预设方差阈值的参数作为特征参数。假设当前时段内的一台冷水机组的冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数所分别对应的方差为a1、a2、a3、a4、a5、a6、a7。将上述方差a1、a2、a3、a4、a5、a6、a7与预设方差阈值A进行比较。比较的结果例如如下：a1，a2，a3，a4，a5>A；a6，a7<A。则可以确定冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数为该台冷水机组的特征参数。

步骤203，将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率。

在本实施例中，可以在上述电子设备中预先建立机器学习模型。上述机器学习模型的输入参数可以是根据上述步骤202中得到的任意一台冷水机组的特征参数，上述机器学习模型的输出可以包括该台冷水机组对应的当前电功率。此外，上述机器学习模型的输出还可以包括该台冷水机组对应的实时制冷量等等。

在本实施例的一些可选实现方式中，用于确定对数据中心制冷的冷水机组的方法还包括在获取数据中心的各台冷水机组的当前的出水参数、入水参数、水流量参数以及室外温度参数之前，可以使用预知电功率的多台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数作为样本数据对所述机器学习模型进行训练以使上述机器学习模型所输出的电功率趋于实际电功率。

在本实施例的一些可选实现方式中，上述机器学习模型可以为神经网络模型。

上述电子设备将各台冷水机组对应的、由步骤202得到的特征参数导入到上述机器学习模型中，可以得到各台设备对应的当前电功率。

步骤204，基于预先获得的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组。

数据中心的冷负荷可以是上述电子设备从第二服务器中获取的。数据中心的冷负荷与机房内设备(例如为互联网提供服务的服务器)发热量、维护结构的传热、通过外窗进入的太阳辐射热、热体散热、灯光等散热等相关。其中设备发热占主要因素。上述第二服务器可以根据实时采集的数据中心机房内设备发热量、维护结构的传热量、通过外窗进入的太阳辐射热量、热体散热量、灯光等散热量来统计维持数据中心要求的温度(例如23±2℃)的冷负荷。

在本实施例中，上述电子设备可以根据预先获取的数据中心的冷负荷以及冷水机组的额定制冷量(这里各台冷水机组的额定制冷量可以相等)来确定对数据中心制冷所需要的冷水机组。具体地，可以根据上述数据中心的冷负荷以及冷水机组的额定制冷量来确定对数据中心制冷所需的冷水机组的最小台数N，其中，N≥1，且N为正整数。

具体的台数N的确定可以按照如下公式来计算：

N＝int(Q/W)+1 (1)；

其中int是向下取整运算符；Q为数据中心冷负荷；W为冷水机组的额定制冷量。

在本实施例中，上述电子设备可以在多个冷水机组中选择总电功率小于预设阈值的N台冷水机组为上述数据中心制冷。

在本实施例中，上述电子设备可以将从多台冷水机组中选取的N台冷水机组的结果发送给上述第二服务器。上述N台冷水机组的选取结果可以包括上述被确定的N台冷水机组中各台冷水机组对应的编号以及当前电功率。

在一些应用场景中，上述第二服务器可以通过网络向已确定的为数据中心制冷的N台冷水机组以外的其他冷水机组发送停止运行的指令，从而控制其他冷水机组关闭，达到数据中心节能的目的。

这样一来，由于可以根据各台冷水机组的实时运行的电功率来选取为数据中心制冷的N台冷水机组，在不需要全部冷水机组运行以满足数据中心的冷负荷时，可以根据上述方法选择总电功率小于预设阈值的N台冷水机组为数据中心制冷，同时关闭其他冷水机组。这样可以减少由于选择耗电量较高的为上述数据中心制冷的N台冷水机组所额外消耗的电能量，从而达到节能的目的。

继续参看图3，图3是本实施例的用于确定对数据中心制冷的冷水机组的方法的应用场景的一个示意图。在图3的应用场景300中，上述电子设备302从数据中心的动环监控系统以及自动控制系统的服务器301获取的各台冷水机组的相关参数303(例如出水参数、入水参数、水流量参数以及室外温度参数)。上述电子设备302对上述各台冷水机组的相关参数303进行预处理得到各台冷水机组的特征参数304。然后，上述电子设备302将上述特征参数304导入到预先建立的机器学习模型中得到各台冷水机组的当前电功率305。上述电子设备根据从上述动环系统以及自动控制系统服务器获取的数据中心的当前冷负荷、冷水机组的额定电功率以及各台冷水机组的当前时段的电功率确定为数据中心制冷的N台冷水机组306。上述电子设备将确定的冷水机组306的信息，例如确定的N台冷水机组各自的编号信息，发送给上述动环监控系统以及自动控制系统服务器，以便动环监控系统以及自动控制系统服务器向上述N台冷水机组以外的其他冷水机组发送停止运行的指令307。

本实施例提供的方法，通过机器学习模型获取各台冷水机组的当前时段的电功率，根据数据中心的预设的冷负荷以及各台冷水机组的电功率来确定为上述数据中心制冷的N台电功率小于预设阈值的冷水机组，从而可以达到降低数据中心能耗的目的。

在本实施例的一些可选实现方式中，步骤204可以包括如下子步骤：

子步骤2041，根据预设的冷负荷以及冷水机组的额定制冷量按照确定对所述数据中心制冷的冷水机组的台数N。具体地，可以按照如下公式来确定冷水机组的台数N：

N＝int(Q/W)+1 (1)；

其中，int为向下取整，Q为数据中心的预设冷负荷；W为冷水机组的额定制冷量。

子步骤2042，按照当前电功率从小到大的顺序选取N台冷水机组对上述数据中心制冷。

上述电子设备可以按照当前电功率从小到大的顺序选取N台冷水机组对上述数据中心制冷。

由于上述电子设备按照当前电功率从小到大的顺序从多台冷水机组中选取N台冷水机组对上述数据中心制冷，从而使得在任意一个时段内，数据中心中运行的是可以满足数据中心冷负荷的、耗电量最小的冷水机组为数据中心制冷，从而可以进一步降低数据中心的能耗。

在本实施例的一些可选实现方式中，在上述步骤202中对于任意一台冷水机组，在得到上述冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别对应的按照等时间间隔排列的数据序列之后可以对该台冷水机组的各参数赋予对应的预设权值。这里，各个参数对应的预设权值可以不相等。具体地，可以根据经验对各参数赋予相应的预设权值。接着，从赋预设权值后的各参数中选取该台冷水机组的特征参数。例如取各时间点的对应的数值与各参数对应的权值的乘积的累加和大于预定数值的参数作为该冷水机组的特征参数。例如冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别对应的按照等时间间隔排列的数据序列为B[b1、b2、b3、b4、b5]；C[c1、c2、c3、c4、c5]；D[d1、d2、d3、d4、d5]、E[e1、e2、e3、e4、e5]；F[f1、f2、f3、f4、f5]；G[g1、g2、g3、g4、g5]；H[h1、h2、h3、h4、h5]；且冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别对应的预设权值为B1、C1、D1、E1、F1、G1、H1；取各个预设权值与各自对应的数据序列的累加和：B2＝B1×(b1+b2+b3+b4+b5)；C2＝C1×(c1+c2+c3+c4+c5)；D2＝D1×(d1+d2+d3+d4+d5)；E2＝E1×(e1+e2+e3+e4+e5)；F2＝F1×(f1+f2+f3+f4+f5)；G2＝G1×(g1+g2+g3+g4+g5)；H2＝H1×(h1+h2+h3+h4+h5)。假设B2、C2、D2、E2均大于预定数值K，F2、G2、H2均小于预定数值K，则选择冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数为该台冷水机组的特征参数。

在一些实施例中，上述分别对应冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数的各个预设权值还可以是根据对上述机器学习模型多次训练得到的。

进一步参考图4，作为对上述各图所示方法的实现，本申请提供了一种用于确定对数据中心制冷的冷水机组的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的用于确定对数据中心制冷的冷水机组的装置400包括：获取单元401、预处理单元402、导入单元403和确定单元404。其中，获取单元401配置用于获取数据中心的各台冷水机组当前的出水参数、入水参数、水流量参数以及室外温度参数。其中，出水参数包括：冷却水出水温度、冷冻水出水温度；进水参数包括冷却水进水温度、冷冻水进水温度；水流量参数包括冷却水流量和冷冻水流量；预处理单元402配置用于对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台冷水机组的特征参数；导入单元403配置用于将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；确定单元404配置用于基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组。

在本实施例中，用于确定对数据中心制冷的冷水机组的装置400的获取单元401、预处理单元402、导入单元403和确定单元404的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203的相关说明，在此不再赘述。

在本实施例的一些可选实现方式中，上述预处理单元402进一步配置用于：对于任意一台冷水机组，在得到上述冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别对应的按照等时间间隔排列的数据序列之后可以对该台冷水机组的各参数赋予对应的预设权值。这里，各个参数对应的预设权值可以不相等。具体地，可以根据经验对各参数赋予相应的预设权值。接着，从赋预设权值后的各参数中选取该台冷水机组的特征参数。

在本实施例的一些可选实现方式中，所述确定单元404进一步配置用于：根据预设的冷负荷以及冷水机组的额定制冷量按照如下公式确定对所述数据中心制冷的冷水机组的台数N：

N＝int(Q/W)+1 (1)；

其中，int为向下取整，Q为数据中心的预设冷负荷；W为冷水机组的额定制冷量。

按照当前电功率从小到大的顺序选取N台冷水机组对所述数据中心制冷。

在本实施例的一些可选实现方式中，上述用于确定对数据中心制冷的冷水机组的装置400还包括训练单元(图中未示出)，上述训练单元配置用于在将各台所述冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率之前，使用预知电功率的多台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数对所述机器学习模型进行训练。

在本实施例的一些可选实现方式中，上述机器学习模型为卷积神经网络模型。

请参考图5，其示出了适用本申请实施例的电子设备的计算机系统500的结构示意图。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口505：包括键盘、鼠标等的输入部分506；包括诸如液晶显示器(LCD)以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、服务器或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、服务器或者器件使用或者逾期结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、服务器或者器件使用或者逾期结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预处理单元单元、导入单元以及确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取获取数据中心的各台冷水机组当前的出水参数、入水参数、水流量参数以及室外温度参数的单元”。

作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取数据中心的各台冷水机组的当前的出水参数、入水参数、水流量参数以及室外温度参数，其中，出水参数包括：冷却水出水温度、冷冻水出水温度；进水参数包括冷却水进水温度、冷冻水进水温度；水流量参数包括冷却水流量和冷冻水流量；对出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台冷水机组的特征参数；将各台冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对数据中心制冷的冷水机组。

以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (12)

1.一种用于确定对数据中心制冷的冷水机组的方法，其特征在于，所述方法包括：

获取数据中心的各台冷水机组的当前的出水参数、入水参数、水流量参数以及室外温度参数，其中，所述出水参数包括：冷却水出水温度参数、冷冻水出水温度参数；所述入水参数包括冷却水进水温度参数、冷冻水进水温度参数；所述水流量参数包括冷却水流量参数和冷冻水流量参数；

对所述出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台所述冷水机组的特征参数，所述预处理包括：生成与所述出水参数、入水参数、水流量参数以及室外温度参数中每一个参数分别对应的当前时段内等时间间隔排列的数据序列；

将各台所述冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；

基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对所述数据中心制冷的冷水机组。

2.根据权利要求1所述的方法，其特征在于，所述对所述出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台所述冷水机组的特征参数，包括：

对于任意一台冷水机组，对该台冷水机组的冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别赋予对应预设权值；从赋权值后的各参数中选取该台冷水机组的特征参数。

3.根据权利要求1所述的方法，其特征在于，所述基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对所述数据中心制冷的冷水机组，包括：

根据预设的冷负荷以及冷水机组的额定制冷量按照如下公式确定对所述数据中心制冷的冷水机组的台数N：

N＝int(Q/W)+1；

其中，int为向下取整运算符，Q为数据中心的预设冷负荷；W为冷水机组的额定制冷量；

按照当前电功率从小到大的顺序选取N台冷水机组对所述数据中心制冷。

4.根据权利要求1所述的方法，其特征在于，在将各台所述冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率之前，所述方法还包括：

使用预知电功率的多台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数对所述机器学习模型进行训练。

5.根据权利要求1所述的方法，其特征在于，所述机器学习模型为卷积神经网络模型。

6.一种用于确定对数据中心制冷的冷水机组的装置，其特征在于，所述装置包括：

获取单元，配置用于获取数据中心的各台冷水机组当前的出水参数、入水参数、水流量参数以及室外温度参数，其中，所述出水参数包括：冷却水出水温度参数、冷冻水出水温度参数；所述入水参数包括冷却水进水温度参数、冷冻水进水温度参数；所述水流量参数包括冷却水流量参数和冷冻水流量参数；

预处理单元，配置用于对所述出水参数、入水参数、水流量参数以及室外温度参数进行预处理得到各台所述冷水机组的特征参数，所述预处理包括：生成与所述出水参数、入水参数、水流量参数以及室外温度参数中每一个参数分别对应的当前时段内等时间间隔排列的数据序列；

导入单元，配置用于将各台所述冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率；

确定单元，配置用于基于预设的冷负荷、冷水机组的额定制冷量以及各台冷水机组的当前电功率确定对所述数据中心制冷的冷水机组。

7.根据权利要求6所述的装置，其特征在于，所述预处理单元进一步配置用于：

对于任意一台冷水机组，对该台冷水机组的冷却水出水温度参数、冷冻水出水温度参数、冷却水进水温度参数、冷冻水进水温度参数、冷却水流量参数、冷冻水流量参数以及室外温度参数分别赋予对应预设权值；从赋权值后的各参数中选取该台冷水机组的特征参数。

8.根据权利要求6所述的装置，其特征在于，所述确定单元进一步配置用于：

根据预设的冷负荷以及冷水机组的额定制冷量按照如下公式确定对所述数据中心制冷的冷水机组的台数N：

N＝int(Q/W)+1；

其中，int为向下取整运算符，Q为数据中心的预设冷负荷；W为冷水机组的额定制冷量；

按照当前电功率从小到大的顺序选取N台冷水机组对所述数据中心制冷。

9.根据权利要求6所述的装置，其特征在于，所述装置还包括训练单元，

所述训练单元配置用于在将各台所述冷水机组的特征参数导入预先建立的机器学习模型得到各台冷水机组的当前电功率之前，使用预知电功率的多台冷水机组的出水参数、入水参数、水流量参数以及室外温度参数对所述机器学习模型进行训练。

10.根据权利要求6所述的装置，其特征在于，所述机器学习模型为卷积神经网络模型。

11.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。

Images